Articolo metodologico

Stima del carico cognitivo usando misura elettrocardiografica: un compito collaborativo umano-IA

DOI:

10.3791/69621

⸱

5 dicembre 2025

 ,  ,  ,  ,  ,  ,  , 
1School of Economics and Management, Jiangsu University of Science and Technology, 2Wuhan Marine Machinery Plant Co., Ltd., 3School of Management, Shanghai University, 4School of Business, The University of Queensland, 5School of Artificial Intelligence, Xi'an Jiaotong University

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo protocollo descrive l'uso di indicatori fisiologici per misurare variazioni nel carico cognitivo tra diversi livelli di difficoltà nei compiti collaborativi umano-IA. I risultati suggeriscono che le persone adattano i propri processi decisionali in base alla difficoltà del compito, riflettendo così diversi livelli di carico cognitivo.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nei contesti lavorativi, il carico cognitivo degli individui è strettamente legato sia alle prestazioni che alla sicurezza. Con la crescente tendenza della collaborazione tra esseri umani e intelligenza artificiale (IA), la capacità di catturare la dinamica del carico cognitivo in modo obiettivo e in tempo reale durante i processi collaborativi è diventata sempre più fondamentale. Tradizionalmente, il carico cognitivo è stato valutato tramite questionari; tuttavia, tali metodi retrospettivi sono limitati nella loro capacità di catturare accuratamente le fluttuazioni momento per momento del carico cognitivo durante l'esecuzione del compito. Al contrario, i segnali fisiologici permettono un monitoraggio continuo dello stato in tempo reale di un individuo, fornendo così una misura più oggettiva del carico cognitivo. La difficoltà del compito può influenzare le aspettative dei partecipanti, che successivamente modellano i loro comportamenti e in ultima analisi influenzano il carico cognitivo. Questo studio implementa un compito collaborativo umano-IA generalizzabile che incorpora molteplici livelli di difficoltà. L'accuratezza media del sistema di IA è stata comunicata ai partecipanti prima dell'inizio del compito. In ogni trial, ai partecipanti era data la possibilità di completare il compito da soli oppure delegarlo all'IA. Lo scopo di questo protocollo è utilizzare i dati elettrocardiografici (ECG) come indicatori fisiologici per esaminare come cambia il carico cognitivo degli individui quando hanno l'autorità di assegnare compiti e collaborare con l'IA sotto diversi livelli di difficoltà. Questo studio approfondisce ulteriormente la dinamica dello stato interno rivelata dai dati fisiologici durante la collaborazione tra uomo-IA. I risultati forniscono una base scientifica per migliorare i modelli di collaborazione, aumentare l'efficienza e sfruttare i punti di forza complementari di umani e IA per ottenere una migliore integrazione delle risorse in compiti complessi.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il carico cognitivo si riferisce alla quantità totale di attività mentale imposta al sistema cognitivo di un individuo entro un dato periodo di esecuzione delcompito 1. Un carico cognitivo elevato può compromettere le prestazioni umane ed è un fattore importante che contribuisce agli incidenti sullavoro 2. Gli stati di carico cognitivo elevato influenzano l'attività cardiaca attivando il sistema nervoso simpatico e inibendo il sistema nervoso parasimpatico, aumentando così la frequenza cardiaca (FC) e diminuendo la variabilità della frequenza cardiaca (HRV)3. Le credenze di aspettativa si riferiscono alla misura in cui gli individui credono di poter portare a termine con successo un compito o un'attivitàspecifica 4. La difficoltà del compito influenza le convinzioni di aspettativa degli individui, che a loro volta regolano il loro coinvolgimento comportamentale e l'allocazione delle risorse cognitive, manifestandosi infine come diversi livelli di carico cognitivo.

L'elettrocardiografia (ECG) fornisce una registrazione ad alta risoluzione temporale dell'attività elettrica del cuore. Gli indici HR e HRV derivati dai segnali ECG catturano diversi aspetti del ritmo cardiaco e fungono da indicatori psicofisiologici dello stress fisico e mentaledi un individuo 5. La frequenza cardiaca riflette la frequenza complessiva delle contrazioni cardiache e può essere utilizzata per valutare lo stato di base del sistema cardiovascolare. La HRV rappresenta la variazione temporale tra battiti cardiaci successivi e funge da indicatore della regolazione del sistema nervoso autonomo (SNA), riflettendo l'equilibrio dinamico tra attività simpatica eparasimpatica 6,7,8. Il sistema nervoso simpatico viene attivato sotto stress, minaccia o attività ad alta intensità, spesso portando a un aumento della frequenza cardiaca e una diminuzione della HRV. Al contrario, il sistema nervoso parasimpatico viene attivato durante stati di rilassamento, sonno o bassa domanda energetica, tipicamente con conseguente diminuzione della frequenza cardiaca e aumento della HRV.

I metodi fisiologici attuali per misurare il carico cognitivo includono l'attività ECG, l'attività elettroencefalografica (EEG), la respirazione, la pressione sanguigna e gli indicioculari 9. Rispetto ai tradizionali questionari retrospettivi tradizionali, le misurazioni fisiologiche offrono un mezzo migliore per catturare gli stati in tempo reale dei partecipanti, evitando così il bias di ricordo e gli effetti di ritardo temporale insiti negli approcci di auto-segnalazione. I dispositivi ECG portatili consentono una valutazione continua e discreta dello stato dei partecipanti mentre sono impegnati in attivitàin corso 10. Rispetto ad altre tecniche di misurazione fisiologica, l'ECG portatile rappresenta un metodo a basso costo e non invasivo che consente ai partecipanti di svolgere compiti in modo più naturale e flessibile all'interno del loroambiente 11. La frequenza cardiaca media tende ad aumentare quando la difficoltà del compito cognitivo aumentadi 12, e la HRV si è dimostrata altamente reattiva sia alle esigenze mentali chefisiche 13. Considerando che il compito attuale dovrebbe imporre uno sforzo mentale sostanziale e un livello modesto di carico fisico, e considerando le esigenze pratiche degli scenari di delega di compiti nella collaborazione umano-IA, HR e HRV sono indici appropriati per misurare il carico cognitivo.

HR e HRV sono state ampiamente applicate allo studio del carico cognitivo in molteplici ambiti, tra cui aviazione14, guida15 e decisionieconomiche 16, fornendo strumenti potenti per la valutazione continua e oggettiva degli stati umani. Con la crescente integrazione dell'IA nel mondo del lavoro, comprendere i cambiamenti nel carico cognitivo durante la collaborazione umano-IA è diventato sempre più importante. Uno studio che ha indagato il processo decisionale assistito dall'IA ha rilevato che, in condizioni di alto carico cognitivo, gli esseri umani mostravano una dipendenza irrazionale da suggerimenti generati dall'IA17. In contesti collaborativi, il ruolo dell'IA può andare oltre il fornire input consultivo, permettendo a umani e IA di completare congiuntamente compiti. Il presente studio si concentra su una nuova modalità di collaborazione in cui gli esseri umani hanno l'autorità di assegnazione dei compiti e possono scegliere, per ogni compito, se completarlo da soli o delegarlo all'IA. Tuttavia, in questo contesto specifico in cui gli esseri umani hanno autorità di assegnazione dei compiti, rimane incerto come la difficoltà del compito influenzi il comportamento decisionale e, di conseguenza, rifletta diversi livelli di carico cognitivo. Pertanto, questo studio mira a impiegare dispositivi ECG portatili per misurare con precisione frequenza cardiaca e HRV, quantificando così oggettivamente i cambiamenti dinamici del carico cognitivo sotto questo paradigma collaborativo.

Il compito collaborativo umano-IA selezionato per questo esperimento è un compito generale adattato dal paradigma proposto da Fügener et al.18. Il vantaggio di utilizzare un compito così generalizzabile è che non richiede ai partecipanti una formazione specializzata e può essere facilmente trasferito a compiti più specifici per il dominio. Nello studio descritto qui, il compito sperimentale prevede la classificazione delle immagini, in cui ai partecipanti viene chiesto di assegnare un'immagine target a uno dei diversi gruppi di categorie di immagini. Una classificazione è considerata corretta se il gruppo di categorie selezionato corrisponde alla vera categoria dell'immagine target. Le immagini target sono state prelevate dal database ImageNet, dove le categorie sono già state validate. Per ogni opzione di gruppo di categoria, sono state fornite dieci immagini di esempio ai partecipanti per ridurre la probabilità che non fossero a conoscenza di certe categorie19. Abbiamo impiegato GoogLeNet Inception v3 come modello AI20, che era stato addestrato su 1.000 potenziali categorie di immagini e aveva raggiunto una precisione media di classificazione di 0,76.

Abbiamo condotto un esperimento preliminare per determinare il livello di difficoltà delle immagini bersaglio. In questo esperimento preliminare, i partecipanti dovevano classificare tutte le immagini autonomamente. La dimensione del campione di 217 partecipanti nel presente studio è stata determinata facendo riferimento alla condizione esclusivamente umana riportata da Fügener et al.18. In un compito collaborativo, generalmente è auspicabile assegnare ogni compito alla parte più adatta a svolgerlo. Per operativizzare la difficoltà del compito, abbiamo confrontato l'accuratezza di ogni immagine con la precisione media dell'IA. Le immagini con accuratezza umana inferiore alla media dell'IA sono state definite come quelle più adatte al completamento dell'IA — cioè immagini relativamente difficili per gli esseri umani. Nell'esperimento formale, abbiamo selezionato in totale 32 immagini, incluse 16 immagini facili e 16 immagini difficili.

Un'analisi di potenza a priori è stata condotta utilizzando G*Power 3.1 per un test di rango Wilcoxonfirmato 21. Abbiamo assunto una dimensione dell'effetto media, un livello di α a due code di 0,05 e una potenza desiderata di 0,90. L'analisi ha indicato che erano necessari almeno 47 partecipanti. Abbiamo reclutato 60 studenti dal campus che non avevano precedentemente partecipato a compiti sperimentali simili. I criteri di inclusione erano i seguenti: tutti i partecipanti erano destrimani, non avevano assunto alcun farmaco recentemente, avevano astenuto caffeina e alcol per 24 ore prima dell'esperimento, non avevano svolto esercizio fisico vigoroso il giorno precedente all'esperimento, avevano mantenuto un sonno adeguato la notte precedente alla sessione e non avevano riportato malattie cardiovascolari o respiratorie. L'età media dei partecipanti era di 22,77 anni ± 1,25 anni. La configurazione sperimentale è mostrata nella Figura 1.

Prima dell'inizio dell'esperimento, ai partecipanti è stato informato che avrebbero svolto un compito di classificazione delle immagini insieme a un'IA. Veniva comunicata loro la precisione media dell'IA e gli era stato istruito che, per ogni immagine bersaglio, potevano classificarla personalmente o delegare la classificazione all'IA. Se i partecipanti sceglievano di completare il compito da soli, rispondevano premendo uno dei cinque tasti (A, B, C, D o E) della tastiera per selezionare una risposta tra le cinque opzioni di immagini. Premendo il tasto designato (P) indicava che il compito era delegato all'IA, anche se i partecipanti non potevano vedere la risposta scelta dall'IA. Un marker veniva scritto sia all'inizio che allo spostamento di ogni stimolo per un'analisi successiva. Prima dell'inizio dell'esperimento formale, i partecipanti hanno completato 4 prove pratiche, seguite da un periodo di riposo di 120 secondi. Successivamente proseguirono con l'esperimento formale di 32 prove. Tra ogni tentativo è stato previsto un intervallo inter-trial di 10 s. La procedura sperimentale è illustrata nella Figura 2.

Figura 1
Figura 1: Configurazione sperimentale. La figura mostra l'attrezzatura utilizzata nell'esperimento e la posizione degli elettrodi di misura ECG. (A) Schema del posizionamento degli elettrodi ECG; (B) Configurazione sperimentale. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2
Figura 2: Procedura sperimentale. La sessione di prova consisteva in 4 prove, e l'esperimento formale ne comprendeva 32. Il programma sperimentale è stato sviluppato utilizzando E-Prime (vedi Tabella dei Materiali). Abbreviazione: ECG = Elettrocardiogramma. Clicca qui per visualizzare una versione più grande di questa figura.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio è stato condotto in conformità con i principi della Dichiarazione di Helsinki ed è stato approvato dal Consiglio di Revisione Istituzionale dell'Università di Scienza e Tecnologia del Jiangsu. È stato ottenuto il consenso informato da tutti i partecipanti, che hanno accettato l'uso e la pubblicazione dei loro dati. Non sono incluse procedure sensibili alla temperatura o pericolose in questo protocollo.

1. Preparazione

  1. Introdurre la procedura sperimentale ai partecipanti e ottenere il consenso informato scritto dopo che sono pienamente informati dello studio.
  2. Prepara il sistema di acquisizione dati ECG e tutti i materiali necessari, inclusi trasmettitore, ricevitore, cinghie elastiche in Velcro, set di elettrodi, cavo di alimentazione, cavo a nastro M/F, cavo ethernet, salviette alcolici e nastro medico (vedi Tabella dei Materiali).
    1. Prepara un numero adeguato di elettrodi ECG usa e getta pre-gelificati.
    2. Collega il sistema di acquisizione dati al modulo ricevitore ECG. Poi collega il sistema a un alimentatore stabile.
    3. Utilizzare il cavo a nastro M/F per stabilire una connessione tra il sistema di acquisizione dati e il computer utilizzato per la presentazione degli stimoli.
    4. Usa un cavo Ethernet per collegare il computer di acquisizione dati al sistema hardware di acquisizione dati.

2. Configurazione degli strumenti

  1. Pulire la pelle del partecipante con salviette alcolici nei seguenti punti: sotto la costola sinistra, sotto la clavicola destra e sull'addome destro. Fissa un cerotto elettrodo ECG usa e getta in ogni sito.
  2. Collega i fili di conduzione.
    1. Collega saldamente il connettore del filo al trasmettitore ECG.
    2. Collega la clip metallica del filo rosso (filo positivo) all'elettrodo ECG posizionato sotto la costola sinistra; collegare la clip metallica del filo bianco (derivazione negativa) all'elettrodo ECG posizionato sotto la clavicola destra; e collegare la clip metallica del filo nero (cavo di massa) all'elettrodo ECG posto sull'addome destro.
      NOTA: Assicurati che ogni clip sia completamente inserita e che non ruoti o si allenti dopo l'attacco. Se un filo di filo è più lungo del necessario, segmentalo e fissalo alla pelle con del nastro medico per minimizzare i manufatti causati dal movimento del filo.
  3. Fissa il trasmettitore ECG al corpo del partecipante usando cinghie elastiche a gancio e anello. Regola la tensione della cinghia per mantenere stabile il trasmettitore assicurando al contempo il comfort del partecipante.
    NOTA: Evita di posizionare le cinghie direttamente sopra le patch degli elettrodi ECG per prevenire distorsioni del segnale o spostamento degli elettrodi.

3. Acquisizione dati

  1. Accendi l'interruttore del trasmettitore ECG e l'alimentazione del sistema di acquisizione dati ECG, e stabilisci una connessione wireless tra il trasmettitore ECG e il ricevitore ECG del sistema di acquisizione dati.
    NOTA: Una connessione corretta è indicata da luci verdi sia sul trasmettitore ECG che sul ricevitore ECG.
  2. Avvia il software di acquisizione dati ECG (vedi Tabella dei materiali), crea un nuovo file grafico, seleziona il modulo ricevitore ECG dalla lista dei dispositivi e scegli il canale di registrazione ECG appropriato.
    NOTA: Regolare il pannello di selezione dei canali sul ricevitore ECG per assicurarsi che il canale hardware corrisponda a quello software selezionato.
  3. Clicca Start nell'interfaccia software di acquisizione dati per iniziare la raccolta dei dati ECG. Verifica che la forma d'onda ECG appaia stabile sullo schermo.
  4. Istruisci il partecipante a iniziare il compito sperimentale.
    NOTA: Ricorda ai partecipanti di appoggiare comodamente la schiena contro la sedia e di mantenere una postura stabile durante tutte le attività.
  5. Dopo il completamento del compito, clicca su Stop nel software di acquisizione dati per terminare la sessione di registrazione.
  6. Stacca le clip per filo di piombo dalle patch degli elettrodi. Allenta le cinghie elastiche dei ganci e anello e rimuovi il trasmettitore ECG dal corpo del partecipante.
  7. Istruisci e assisti il partecipante a rimuovere delicatamente a mano i cerotti elettrodi usa e getta.

4. Elaborazione dei dati

  1. Apri il file ECG registrato nel software di analisi dei dati (vedi Tabella dei Materiali).
  2. Seleziona il canale ECG e applica il filtraggio digitale.
    1. Nella barra del menu in alto, naviga su Trasforma > Filtri Digitali > Ferma la Banda del Pettine.
    2. Nella finestra di dialogo, seleziona Fisso sotto Frequenza Base. Inserisci 50 Hz e clicca su OK per applicare il filtro.
      NOTA: La frequenza inserita deve corrispondere alla frequenza della linea elettrica del paese in cui vengono raccolti i dati.
    3. Clicca su Trasforma nel menu in alto. Seleziona filtri digitali > FIR > passaggio di banda. Sotto Cutoff di frequenza, seleziona Fisso a e inserisci 1 Hz. Sotto il cutoff Alta Frequenza, scegli Fisso a e inserisci 35 Hz.
  3. Creare aree di focus secondo il disegno sperimentale.

5. Analisi dei dati

  1. Genera ed esporta dati HR. Dalla barra del menu, seleziona Analisi > Emodinamica > Estrazione Intervallata ECG. Nel pannello Analizza , scegli Solo aree di concentrazione, e nel pannello Visualizza risultati seleziona Solo Foglio di calcolo Excel. Clicca su OK per confermare.
    NOTA: Il rilevamento dei picchi R è stato eseguito utilizzando l'algoritmo di rilevamento QRS integrato nel software di analisi dati (AcqKnowledge 5).
  2. Genera dati HRV ed esporta sia i risultati nel dominio temporale che in quelli della frequenza.
    1. Analisi aperta, seleziona HRV e RSA > HRV Multi-epoch - Statistico. Nel campo Canale ECG, seleziona il canale ECG preelaborato. Sotto Estrae le statistiche HRV per, seleziona Aree di Focus. In Output risultati, seleziona Foglio di calcolo. Infine, clicca su OK per generare ed esportare i risultati del dominio temporale dell'HRV.
    2. Apri di nuovo l'analisi, seleziona HRV e RSA > Multi-epoch HRV e RSA - Spectral. Nel campo Canale ECG , seleziona il canale ECG preelaborato. Sotto Estrazione HRV e RSA per, seleziona le Aree di Focus. Nel Tipo di output, seleziona Solo foglio di calcolo Excel. Infine, clicca su OK per generare ed esportare i risultati del dominio della frequenza HRV.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nelle misurazioni fisiologiche, ci siamo concentrati sugli indici di frequenza cardiaca e frequenza cardiaca sia nel dominio temporale che in quello della frequenza. Per il dominio temporale, abbiamo selezionato la Radice Quadratica Media delle Differenze Successive (RMSSD), che è considerata una misurarobusta 22,23,24. Per il dominio della frequenza, sebbene il rapporto Bassa Frequenza/Alta Frequenza (LF/HF) sia spesso interpre...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In questo studio, la qualità dell'acquisizione del segnale ECG è stata fondamentale per le analisi successive. Durante la procedura sperimentale, la corretta posizione degli elettrodi e la corretta connessione con i cavi erano prerequisiti essenziali per una registrazione accurata del segnale. Tutti gli elettrodi venivano posizionati nelle posizioni designate e garantivano un buon contatto con la pelle per minimizzare l'impedenza. Inoltre, per ridurre l'influenza di fattori esterni sui s...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori non hanno nulla da rivelare.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio è stato supportato dal Programma Postgraduate Research & Practice Innovation della provincia di Jiangsu (KYCX25_4311), dalla National Natural Science Foundation of China (72374088, 72471105, 72472094, 72001096), dal Progetto Chiave 2024 di Pianificazione della Ricerca Scientifica dell'Istruzione Superiore dell'Associazione Cinese dell'Istruzione Superiore (24XX0205, Meccanismi di Strategie di Collaborazione Uomo-IA per Migliorare i Risultati di Apprendimento), 2024 Progetto Chiave di Pianificazione delle Scienze dell'Istruzione nella Provincia del Jiangsu (B-b/2024/01/162, Costruzione di modelli e ricerca empirica sull'apprendimento multimodale dal punto di vista delle neuroscienze educative) e il Fondo per le Scienze Umane e Sociali del Ministero dell'Istruzione della Cina (24YJCZH445).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Salviette alcolici--Questo viene utilizzato per pulire e disinfettare la pelle.
Acqknowledge 5.0BIOPACQuesto è un software per l'acquisizione e l'analisi dei dati dei segnali.
Computer desktopDellOptiPlexQuesto desktop viene utilizzato per eseguire il software per l'acquisizione e l'analisi dell'ECG.
Dispositivo per l'acquisizione dati ECGBIOPACMP160Questo dispositivo viene utilizzato per registrare i dati ECG.
Elettrodi ECGShenfengSerie SSi tratta di un accessorio utilizzato per raccogliere i segnali ECG.
Set di elettrodi a pioliBIOPACBN-EL45-LEAD3Questo viene utilizzato per la registrazione dei dati insieme al trasmettitore.
Cavo EthernetBIOPAC-Questo viene utilizzato per collegare il sistema MP160 al software di acquisizione e analisi dati.
Software sperimentaleSTRUMENTI SOFTWARE PER LA PSICOLOGIAE-prime3.0 Build 3.0.3.31Questo è il software utilizzato per creare il programma sperimentale.
LaptopDellE5470Questo portatile viene utilizzato per eseguire il programma sperimentale e presentare gli stimoli.
Cavo a nastro M/FBIOPACCBL110CQuesto viene utilizzato per trasmettere segnali specifici.
Nastro medico--Questo viene usato per fissare fili lunghi.
Cavo di alimentazioneBIOPAC-Questo viene utilizzato per alimentare il dispositivo.
RicevitoreBIOPACBN-RSPEC-RQuesto è un ricevitore ECG.
Cinturini in Velcro ElasticizzatiBIOPACBN-STRAP-137 Questo viene utilizzato per aiutare a fissare il trasmettitore ECG.
TrasmettitoreBIOPACBN-RSPEC-TQuesto è un trasmettitore ECG wireless.

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Sweller, J. Cognitive load during problem solving: Effects on learning. Cogn Sci. 12 (2), 257-285 (1988).
  2. Matthews, G., Reinerman-Jones, L. E., Barber, D. J., Abich, J. The psychometrics of mental workload: Multiple measures are sensitive but divergent. Hum Factors. 57 (1), 125-143 (2015).
  3. Delliaux, S., Delaforge, A., Deharo, J. C., Chaumet, G. Mental workload alters heart rate variability, lowering non-linear dynamics. Front Physiol. 10, (2019).
  4. Eccles, J. S., Wigfield, A. Motivational beliefs, values, and goals. Annu Rev Psychol. 53, 109-132 (2002).
  5. Carissoli, C., Negri, L., Bassi, M., Storm, F. A., Delle Fave, A. Mental workload and human-robot interaction in collaborative tasks: A scoping review. Int J Hum-Comput Interact. 40 (20), 6458-6477 (2024).
  6. Rajendra Acharya, U., Paul Joseph, K., Kannathal, N., Lim, C. M., Suri, J. S. Heart rate variability: A review. Med Biol Eng Comput. 44 (12), 1031-1051 (2006).
  7. Shaffer, F., Ginsberg, J. P. An overview of heart rate variability metrics and norms. Front Public Health. 5, 258(2017).
  8. Complexity modulation in functional brain-heart interplay series driven by emotional stimuli: an early study using fuzzy entropy. Catrambone, V., et al. Annu Int Conf IEEE Eng Med Biol Soc, , 2023-2026 (2022).
  9. Charles, R. L., Nixon, J. Measuring mental workload using physiological measures:A systematic review. Appl Ergon. 74, 221-232 (2019).
  10. Jorna, P. Spectral-analysis of heart-rate and psychological state:A review of its validity as a workload index. Biol Psychol. 34 (2-3), 237-257 (1992).
  11. Cinaz, B., Arnrich, B., La Marca, R., Tröster, G. Monitoring of mental workload levels during an everyday life office-work scenario. Pers Ubiquit Comput. 17 (2), 229-239 (2013).
  12. Alshanskaia, E. I., Zhozhikashvili, N. A., Polikanova, I. S., Martynova, O. V. Heart rate response to cognitive load as a marker of depression and increased anxiety. Front Psychiatry. 15, 1355846(2024).
  13. Eesee, A. K., Varga, V., Eigner, G., Ruppert, T. Impact of work instruction difficulty on cognitive load and operational efficiency. Sci Rep. 15 (1), 11028(2025).
  14. Wang, L., Gao, S., Tan, W., Zhang, J. Pilots' mental workload variation when taking a risk in a flight scenario: A study based on flight simulator experiments. Int J Occup Saf Ergon. 29 (1), 366-375 (2023).
  15. Radhakrishnan, V., et al. Physiological indicators of driver workload during car-following scenarios and takeovers in highly automated driving. Transp Res Part F Traffic Psychol Behav. 87, 149-163 (2022).
  16. Korosec-Serfaty, M., Riedl, R., Senecal, S., Leger, P. -M. Attentional and behavioral disengagement as coping responses to technostress and financial stress: An experiment based on psychophysiological, perceptual, and behavioral data. Front Neurosci. 16, 883431(2022).
  17. Zhang, Z. T., et al. Measuring the effect of mental workload and explanations on appropriate AI reliance using EEG. Behav Inf Technol. , (2024).
  18. Fügener, A., Grahl, J., Gupta, A., Ketter, W. Cognitive challenges in human-artificial intelligence collaboration: Investigating the path toward productive delegation. Inf Syst Res. 33 (2), 678-696 (2022).
  19. Russakovsky, O., et al. Imagenet large scale visual recognition challenge. Int J Comput Vis. 115 (3), 211-252 (2015).
  20. Rethinking the inception architecture for computer vision. Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., Wojna, Z. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, , 2818-2826 (2016).
  21. Faul, F., Erdfelder, E., Buchner, A., Lang, A. -G. Statistical power analyses using G*Power 3.1:Tests for correlation and regression analyses. Behav Res Methods. 41 (4), 1149-1160 (2009).
  22. Melo, H. M., Hoeller, A. A., Walz, R., Takase, E. Resting cardiac vagal tone is associated with long-term frustration level of mental workload: Ultra-short term recording reliability. Appl Psychophysiol Biofeedback. 45 (1), 1-9 (2020).
  23. Munoz, M. L., et al. Validity of (ultra-)short recordings for heart rate variability measurements. PLoS One. 10 (9), e0138921(2015).
  24. Laborde, S., Mosley, E., Thayer, J. F. Heart rate variability and cardiac vagal tone in psychophysiological research - recommendations for experiment planning, data analysis, and data reporting. Front Psychol. 8, 213(2017).
  25. Billman, G. E. The LF/HF ratio does not accurately measure cardiac sympatho-vagal balance. Front Physiol. 4, 26(2013).
  26. Lai, H. -M. Understanding what determines university students' behavioral engagement in a group-based flipped learning context. Comput Educ. 173, 104290(2021).
  27. Grassmann, M., Vlemincx, E., Von Leupoldt, A., Van Den Bergh, O. Individual differences in cardiorespiratory measures of mental workload: An investigation of negative affectivity and cognitive avoidant coping in pilot candidates. Appl Ergon. 59, 274-282 (2017).
  28. Han, L., Du, Z. G. Unraveling the complex interplay between curved tunnels and drivers' physiological responses: An HRV perspective. Transp Res Part F Traffic Psychol Behav. 108, 39-53 (2025).
  29. Goldstein, D. S., Bentho, O., Park, M. -Y., Sharabi, Y. Low-frequency power of heart rate variability is not a measure of cardiac sympathetic tone but may be a measure of modulation of cardiac autonomic outflows by baroreflexes. Exp Physiol. 96 (12), 1255-1261 (2011).
  30. Zimmermann-Viehoff, F., et al. Short-term effects of espresso coffee on heart rate variability and blood pressure in habitual and non-habitual coffee consumers: A randomized crossover study. Nutr Neurosci. 19 (4), 169-175 (2016).
  31. Saxena, M. P. K., Ganuthula, V. R. R. Relationship between feedback frequency and task performance: Evidence on the mediating role of heart rate. Front Psychol. 16, 1438865(2025).
  32. Longo, L., Wickens, C. D., Hancock, G., Hancock, P. A. Corrigendum: Human mental workload: A survey and a novel inclusive definition. Front Psychol. 13, 883321(2022).
  33. Arutyunova, K. R., et al. Heart rate dynamics for cognitive load estimation in a driving simulation task. Sci Rep. 14 (1), 31656(2024).
  34. Wittels, H. L., et al. Examining the influence of cognitive load and environmental conditions on autonomic nervous system response in military aircrew: A hypoxia-normoxia study. Biology (Basel). 13 (5), 343(2024).
  35. Pütz, S., Mertens, A., Chuang, L. L., Nitsch, V. Physiological predictors of operator performance: The role of mental effort and its link to task performance. Hum Factors. 67 (6), 595-615 (2025).
  36. Cheng, S., et al. Acute combined effects of concurrent physical activities on autonomic nervous activation during cognitive tasks. Front Physiol. 15, 1340061(2024).
  37. Bansal, A., Joshi, R. Portable out-of-hospital electrocardiography: A review of current technologies. J Arrhythmia. 34 (2), 129-138 (2018).
  38. Sridhar, A. R., et al. State of the art of mobile health technologies use in clinical arrhythmia care. Commun Med (Lond). 4 (1), 218(2024).
  39. Gupta, K., et al. CaEVR: Biosignals-driven context-aware empathy in virtual reality. IEEE Trans Vis Comput Graph. 30 (5), 2671-2681 (2024).
  40. Binsch, O., et al. The effect of virtual reality simulation on police officers' performance and recovery from a real-life surveillance task. Multimed Tools Appl. 82 (11), 17471-17492 (2023).
  41. Brunzini, A., Grandi, F., Peruzzini, M., Pellicciari, M. An integrated methodology for the assessment of stress and mental workload applied on virtual training. Int J Comput Integr Manuf. 37 (9), 1088-1106 (2024).
  42. Cardone, D., et al. Classification of drivers' mental workload levels: Comparison of machine learning methods based on ECG and infrared thermal signals. Sensors (Basel). 22 (19), 7300(2022).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Cognitive LoadElectrocardiogram DataHuman AI CollaborationHeart Rate VariabilityTask DelegationPhysiological SignalsReal Time MonitoringData Acquisition SystemHRV AnalysisExperimental Task Design

Articoli correlati